《Journal of Food Engineering》：Computational modeling of flavor perception in complex food systems
编辑推荐：
•多尺度建模将受体机制与基质控制的风味联系起来。•人工智能与分子动力学优化受体激活。•自由能与机器学习模型将分子与感知联系起来。•模拟揭示了食品基质中的风味释放、保留与遮蔽。•计算设计支持风味分子、蛋白质与酶的制备。引言风味感知源于嗅觉与味觉的多模态整合，是食品体系中感官品质
- •
多尺度建模将受体机制与基质控制的风味联系起来。
- •
人工智能与分子动力学优化受体激活。
- •
自由能与机器学习模型将分子与感知联系起来。
- •
模拟揭示了食品基质中的风味释放、保留与遮蔽。
- •
计算设计支持风味分子、蛋白质与酶的制备。
引言
风味感知源于嗅觉与味觉的多模态整合，是食品体系中感官品质、消费者接受度和产品开发的核心。然而，在复杂的食品体系中，风味感知不仅仅取决于风味分子的丰度，还取决于其释放、保留、分配、受体识别以及基质依赖性调节。尽管风味仍是食品工业创新的主要驱动力，但其分子与理化基础仍然是一个重大挑战。传统的感官评价方法（如品评测试）受限于主观性强、通量低和成本高（Chen et al., 2025），而基于受体的检测方法通常孤立地评估受体，无法完全捕捉多配体协同作用、瞬时受体动力学或膜界面相互作用（Hu et al., 2025）。这些局限性在真实的食品基质中更为明显，因为挥发性和非挥发性化合物在到达感官受体之前会与蛋白质、多糖、脂质、水和界面相互作用。以葡萄酒香气为例，风味感知源于挥发物网络与多种嗅觉受体（ORs）的相互作用，而非单一关键气味分子（Li et al., 2025）。因此，需要计算方法来映射这些高维相互作用，并将分子复杂性转化为合理风味工程的预测框架（图1）。
风味感知由味觉受体和ORs介导，其中许多属于G蛋白偶联受体（GPCR）家族。历史上，这些受体缺乏实验结构，对受体水平的风味建模构成了根本障碍。人工智能（AI）驱动的结构预测加速了受体模型的构建，但AlphaFold及相关工具在解析GPCR构象可塑性、活化与非活化状态转换以及配体诱导的侧链重排方面仍然存在局限（Alfonso-Prieto et al., 2023）。因此，AI预测的结构应被视为起始模型，而非完整的功能表征。分子动力学（MD）模拟通过模拟生理环境中的结构优化以及对受体柔性、配体稳定性和激活相关构象变化的揭示，提供了必要的动态验证。与对接和自由能计算相结合，基于AI/MD的建模为将受体水平的相互作用与感官相关结果联系起来提供了机制基础。因此，计算建模应被视为传统实验技术的补充而非替代。对接、MD模拟、自由能计算和ML模型可以优先筛选候选风味分子，识别可能的配体-受体相互作用机制，并生成配方假设，但其输出应与适当的实验基准进行比对评估。根据预测目标的不同，验证可能涉及受体水平检测、基质特异性理化测量和感官评价。将计算预测与实验和感官验证相结合，对于将in silico（计算机模拟）发现转化为可靠的风味工程策略至关重要。
尽管取得了上述进展，但将受体水平机制、数据驱动预测与基质尺度风味行为联系起来的系统性框架仍然发展不足。本综述通过批判性总结风味研究中的计算应用并提出从机制到工程导向设计的路线图，提出了这样一个框架。第2节回顾了结构基础，重点关注AI/MD在受体预测与优化中的协同作用。第3节探讨了配体识别与受体激活动力学的机制驱动见解。第4节涉及预测前沿，其中定量构效关系（QSAR）与机器学习（ML）将分子结构与感知联系起来。第5节将这些模型扩展到复杂食品基质，涵盖风味释放与保留、基质调节、风味生物合成与蛋白质工程。最后，第6节讨论了这些计算工具如何支持复杂食品体系中新型风味分子和功能蛋白质的理性设计。
章节摘录
风味受体研究中的前AI结构瓶颈
在AlphaFold等AI工具出现之前，缺乏实验测定的结构是风味受体研究中的一个重大限制，特别是对于ORs（GPCRs中最大的亚家族）。由于没有可用的OR实验结构，原子水平的见解主要依赖于同源建模、比较建模和分子对接。计算负担相当大；例如，预测七种不同ORs的结构需要采样13
识别中的静态匹配与动态能量学
虽然分子对接揭示了静态结构特征，但对配体选择性和感官强度的可靠评估需要通过MD模拟和自由能计算进行动态能量学评价。仅凭静态结构无法完全解释受体激活或感知差异，而动力学分析可以量化配体稳定性、相互作用持续时间与结合能量学。例如，自由能计算区分了八种激动剂与两种非激动剂
预测前沿：通过ML集成弥合结构与感知的鸿沟
本节回顾了预测模型的发展，从基础的QSAR到先进的ML范式，其总结与对比如表2所示。
水与界面在风味动力学中的作用
在复杂的多相体系中，MD模拟表明溶剂和界面并非被动介质，而是作为风味动力学与分布的主动调节因子发挥作用。例如，水分子通过渗透咖啡颗粒并促进风味化合物从复合咖啡蛋白质中解离来调节风味释放。这一机制对于后续的萃取与感知至关重要（图4E）（Liu et al., 2025）。MD模拟的有效性尤其
计算机辅助风味分子设计
计算机辅助风味分子设计依赖于两种基本策略，包括基于配体与基于结构的策略。这些策略主要根据目标受体三维结构信息的可用性来区分（图5）。基于配体的方法在目标结构未知时至关重要，因为它通过分析已知活性分子的共同特征来构建预测模型。该策略的核心方法包括QSAR/QSPR与药效团
结论
从传统经验风味开发向预测性、理性设计范式的转变现已全面展开。该领域的未来取决于在复杂风味生物体系背景下建立统一、连贯的路线图，使AI、MD与ML协同发挥作用。在这一集成工作流程中，以AlphaFold为代表的人工智能驱动结构预测为孤儿受体建立了基础结构库。随后，MD模拟作为生物物理
CRediT作者贡献声明
Min Liu（刘民）：撰写—初稿，可视化，数据管理。Xiaoli Qin（秦晓莉）：撰写—审阅与编辑，监督，项目管理，资金获取，概念设计。Xiong Liu（刘雄）：撰写—审阅与编辑。Pingping Shi（石平平）：撰写—审阅与编辑，验证。Jinfeng Zhong（钟金锋）：撰写—审阅与编辑，可视化，验证
未引用参考文献
Alfonso-Prieto and Capelli, 2023; Cui et al., 2025; Li et al., 2022; Liu et al., 2025; Wang et al., 2024; Zhang et al., 2024; Zhao et al., 2024.
竞争利益声明
? 作者声明，他们不存在已知可能影响本文报告工作的竞争性经济利益或个人关系。
致谢
本工作得到涪陵实验室西南大学共建项目（编号：FLYJY202403）、重庆市科学技术委员会自然科学基金项目（编号：CSTB2024NSCQ-MSX1202）、重庆市科学技术委员会技术创新与应用发展重点项目（编号：CSTB2023TIAD-KPX0027）以及重庆市研究生科技创新项目（编号：CYS25162）的支持。
刘民|钟金锋|刘雄|石平平|秦晓莉
